﻿ Los
 números aleatorios son cruciales en numerosos ámbitos de la informática, como
 para simular juegos de dinero pero también para la seguridad y el cifrado.
 ¿Cómo pedir a ordenadores, máquinas deterministas por naturaleza, generar
 números aleatorios? Elementos de respuesta…&nbsp;La
 pregunta puede parecer sorprendente y no tan complicada: ¿cómo un ordenador
 puede generar un número aleatorio? En realidad, es una pregunta más espinosa de
 lo que puede parecer y una tarea finalmente muy complicada. Los ejemplos de procesos
 aleatorios en el mundo que nos rodea no faltan: el lanzamiento de dado, de
 monedas, o incluso la desintegración de elementos radioactivos para los más
 científicos de nosotros. &nbsp;Estos
 procesos aleatorios fueron usados desde tiempos inmemoriales, el objetivo es el
 de dejar una decisión decidirse por suerte. Si el aleatorio, o noción de
 suerte, es bastante simple de concebir para el ser humano, sigue siendo un
 concepto muy complicado de pedir a un ordenador. Por naturaleza, los
 ordenadores son máquinas deterministas: por una misma pregunta, siempre
 obtendrás la misma respuesta. Los ordenadores incluso fueron pensados
 específicamente para funcionar así. El aleatorio es un parámetro que se quiere
 eliminar de los procesos algorítmicos. Entonces, ¿cómo se pide a un ordenador
 producir un número aleatorio?&nbsp; De la utilidad de los números aleatorios Antes de preguntarse cómo hacer
 una primera pregunta podría ser: ¿Por qué queremos preguntarle a un ordenador
 generar números aleatorios? Pues bien, para simular procesos aleatorios como
 lanzamientos de dados, sorteo, o juegos de cartas, para simular juegos de
 dinero por ejemplo. También podemos hablar de la simulación de acontecimientos
 en los videojuegos o en el ámbito de la criptografía, para la codificación de contraseñas
 y la protección de datos. Los ejemplos de uso de números aleatorios son
 entonces numerosos y pueden cubrir aspectos cruciales cuando la seguridad o el
 dinero entran en juego. &nbsp; La aleatoria y
 la informática Existen dos tipos de aleatoria en
 informática, lo que llamamos el pseudoaleatorio y la «&nbsp;verdadera&nbsp;»
 aleatoria. Primero, el pseudoaleatorio representa todos los procesos
 algorítmicos que permiten generar aleatoriamente números. Lo que hay que tener
 en mente es que es imposible pedirle a una máquina determinista producir
 aleatoriamente un número. A partir de este hecho, el principio generalmente
 empleado es el siguiente: un valor de inicio se elige, llamado valor raíz.
 Luego este valor va a ser modificado con la ayuda de un algoritmo de transformación.
 Este algoritmo es un proceso que reproduce la aleatoria, en todo caso en
 teoría. Es una secuencia de operación que debe ser difícil de comprender al
 mirar tan solo los números producidos. El proceso de transformación del
 algoritmo debe entonces ser&nbsp; complejo y
 no dar la sensación de seguir un procedimiento evidente desde fuera. Tan
 complejo como sea, al ser constantemente repetido este proceso y al seguir una
 arquitectura predefinida, los números producidos no son verdaderamente
 aleatorios.&nbsp;Entonces, estos procesos
 algorítmicos no son una «&nbsp;verdadera » aleatoria, que sin embargo existe en
 informática. Esta verdadera aleatoria función con el apoyo de elementos físicos
 externos al ordenador, que ellos si son realmente aleatorios. Un ejemplo clásico
 es basarse en la desintegración radio-activa de un átomo. Este proceso es
 aleatorio y según las teorías cuánticas, es imposible predecirlo. Los números
 generados a partir de este proceso son entonces totalmente imprevisibles y no
 siguen ningún paradigma- un modelo simplificado-predefinido. En práctica sin
 embargo, si queremos que un ordenador genere números aleatorios, este no puede
 siempre referirse a un procedimiento aleatorio como la desintegración de
 elementos radioactivos, es entonces necesario encontrar otros procesos
 aleatorios asequibles. Un proceso habitual de los
 ordenadores es esperar algunos comportamientos del utilizador, como por ejemplo
 el momento exacto cuando va a apretar una de las teclas del teclado. El ser
 humano al no ser una máquina, es imprevisible por naturaleza. &nbsp; No la misma
 aleatoria según el uso 
 Es evidente que la importancia de la tarea que cumplir va a condicionar la
 elección del tipo de aleatoria establecida. El pseudoaleatorio, aunque menos
 performante y útil que la verdadera aleatoria, no es por tanto inutil. En el
 contexto de un videojuego por ejemplo, no es necesariamente muy grave que el
 proceso de generación de distribución de cartas del crupier contra el cual
 estás jugando sea realmente aleatorio. Si quieres elegir una muestra
 representativa y equitativamente repartida en un juego de datos, un algoritmo
 pseudoaleatorio puede ser suficiente también.&nbsp;
 No obstante, en el caso de un
 juego de apuesta o de dinero, donde los usuarios arriesgan pérdidas o
 ganancias, es necesario que el proceso de generación del número sea, él,
 perfectamente aleatorio para que no pueda ser predecido. Al igual en
 criptografía, si el proceso de codificación de las contraseñas es demasiado
 fácil de adivinar, será posible encontrar las contraseñas al tener acceso a
 suficientes ejemplos. Es entonces claro que hay que calibrar la calidad del
 procesos de generación en función del uso que se le hace: cuánto más crítico es
 el proceso, más debe ser performante el proceso de generación de números
 aleatorios. &nbsp; La generación
 aleatoria y la controversia Con el fin de permitir a nuestros ordenadores tener
 acceso a procesos aleatorios para sus tareas habituales, los constructores de
 procesadores como Intel proponen generadores de números aleatorios basados en
 su material. El procesador, un componente informático a menudo considerado como
 el cerebro del ordenador, proporciona números aleatorios al sistema de
 explotación, y esto de manera automatizada. Los usuarios no controlan para nada
 este proceso que comúnmente se llama una « caja negra». Una de las
 controversias actuales es que si ciertas organizaciones como la NSA (una
 organización de vigilancia americana) tienen acceso a un fallo en este
 proceso,&nbsp; a menudo llamado «&nbsp;backdoor&nbsp;»&nbsp; en el ámbito, esta organización sería capaz
 de romper las llaves de codificación - cifrado-&nbsp;
 proporcionadas por este método. Estos fallos pueden evidentemente ser
 deliberadamente insertados por los creadores del proceso. Así, esto daría
 acceso a datos potencialmente sensibles y supuestamente en seguridad con
 personas que no deben tener acceso a ellos. Este aspecto es actualmente un
 asunto de crítica, y muchos cuestionamientos están planteados en lo que
 concierne a la vida privada de los usuarios, el control de los gobiernos en las
 poblaciones y la vigilancia de masas. Una parte de la comunidad informática no
 considera estos sistemas como fiables y trabajan en otros métodos que no
 dependen de elementos exteriores desarrollados y controlados por empresas que
 pueden tener intereses divergentes con el interés general. Así, uno de los
 grandes desafíos de los próximos años de la informática libre es extraerse de
 estos procedimientos que potencialmente pueden perjudicar a los usuarios. &nbsp; Fuentes: 1 -
 https://www.sicara.ai/blog/2019-01-28-how-computer-generate-random-numbers2 -
 https://www.howtogeek.com/183051/htg-explains-how-computers-generate-random-numbers/3 - https://www.hypr.com/random-number-generator/4 - <a href="https://engineering.mit.edu/engage/ask-an-engineer/can-a-computer-generate-a-truly-random-number/" style="color: blue; text-decoration: underline;">https://engineering.mit.edu/engage/ask-an-engineer/can-a-computer-generate-a-truly-random-number/</a>

Ordenadores y aleatoria : ¿existe el azar?

La inteligencia artificial, ¿cómo funciona? 

Inteligencia artificial y discriminación: une pregunta esencial

Decir que los ordenadores superan a los humanos en numerosas áreas seraun eufemismo. Los ordenadores tienen capacidades de calculo y de almacenamiento muy superiores a las del ser humano y permiten resolver problemas antes insolubles. Sin embargo, el contrario también algunas tareas conservan una parte de misterio para los ordenadores. Una tarea en particular caracteriza este fenómeno: la comprensión del lenguaje. Aunque el humano tenga la capacidad de adquirirla muy temprano en su vida (Si bien es una capacidad que el ser humano adquiere pronto en su vida), es muy complejo hacer entender el sentido de las palabras a un ordenador. Peor, es an ms difícil explicar la construcción de una frase, la sintaxis y sobre todo la semántica. Este problema, sin solución por mucho tiempo, tendría sin embargo, aplicaciones en numerosas áreas. Los más evidentes son probablemente la traducción, la corrección automática de textos, la función de auto-completar palabras o también la sugestión de palabras, ahora generalizada en los teléfonos móviles. Algunas podrían plantearse a soñar con ordenadores escritoeriodistas. Entonces, cmo inculcar la comprensión del lenguaje a un ordenador? ¿La llave para hacerse entender? Las mates


	
	
	
	


Con el propósito de volver el lenguaje humano para un ordenador, es necesario traducirlo a un lenguaje que este pueda comprender. Uno de los principales paragidmas es crear representaciones matemáticas de la frase. La representación ms clásica es la representación llamada vectorial : cada frase, documento o palabra ser representado por una tabla de números, es decir, un vector que permite resumir su contenido y representarlo en el espacio. La granularidad de esta representación, es decir, la cantidad de datos contenidos, variará en función de la complejidad de la representación elegida. Las
estadísticas entran en escena 



	
	
	
	





	
	
	
	



Históricamente, una de las primeras estadísticas es el saco de palabras. El principio es el siguiente: una frase está representada por un vector compuesto de 0 y 1. Este vector es del tamaño total de lo que se llama vocabulario, el conjunto de palabras que la frase podría potencialmente contener. Cada palabra del vocabulario está asociada a una casilla del vector. Si la palabra está efectivamente presente en la frase, entonces el número en esta casilla será igual a 1. Si la palabra no está presente en la frase, el numero representándola en este vector será igual a 0. Así, el mecanismo del bolso de palabras permite representar una frase con la ayuda de la presencia o la ausencia en este de cada palabra del vocabulario. 
<img src="https://firebasestorage.googleapis.com/v0/b/cortex---2020.appspot.com/o/articles%2Fcu4ipXRG39wQ8CjJ8hDH%2Ft3FlT4U33PzI?alt=media">

 

Figura 1 – Ejemplo de bolso de palabras. 



Esta representación es simplista y expresa algunas limitaciones. El orden de las palabras no está para nada tomado en cuenta. Tampoco es posible saber si una palabra aparece varias veces en una misma frase. Además, si una palabra presente en la frase no fue incluida al vocabulario, no podrá ser representada. Para terminar, cada palabra presente en la frase tiene la misma importancia en la representación. Esta es seguramente la mayor limitación citada: en una frase, es evidente que algunas palabras, como por ejemplo los nombres y los verbos, son portadores de más datos que otros, como los determinantes.

Para paliar este problema, unas representaciones estadísticas más complejas fueron propuestas. La más generalizada es llamada 


	
	
	
	


TF-IDF (Term Frequency -I nvert Document Frequency, que se puede traducir por “Frecuencia del Término - Frecuencia Inversa del Documento”). Este método es un método de ponderación que permite evaluar la importancia de un término contenido en un documento. Esta ponderación está calculada con la ayuda de la frecuencia del término en el documento en comparación con su importancia en el conjunto del 


	
	
	
	


corpus, es decir, el conjunto de documentos que será utilizado como muestra representativa de la lengua para transcribir. Para comprender completamente lo que es un documento y un corpus, he aquí algunos ejemplos: un documento es el poema «El Cuervo y el Zorro » de La Fontaine, mientras que el corpus es el conjunto de su obra. Así, una palabra muy frecuente en un documento, pero también muy frecuente en el corpus es portadora de pocos datos: es probablemente un determinante tal como «el» o «la». En cambio, un término cuya frecuencia es muy elevada en el documento pero muy baja en el corpus será seguramente portadora de muchos datos y permitirá comprender totalmente el tema del documento. El método TF-IDF permite comparar la frecuencia de una palabra en el documento en comparación con su frecuencia en el corpus, y darle ms o menos peso en función de este ratio.

Este método es muy eficaz y todavía es utilizado en la explotación de textos actualmente. Sin embargo, esta técnica también sufre limitaciones, principalmente que no se le da ninguna importancia al sentido del término. Su representación es puramente estadística, tan solo basada sobre las frecuencias de aparición de este término. Ninguna información está integrada en lo que concierne el sentido del término en esta representación. 

Aun no creativo pero en constante evolución


Como numerosas áreas de la informática, la representación del lenguaje también está revolucionada por la inteligencia artificial. El primer modelo que revolucion el área es conocido bajo el nombre de Word2vec, palabras hacia vector. Su principio es el siguiente : un modelo de inteligencia artificial, y más precisamente una red de neuronas, va a verse arrastradaa representar una palabra en función del uso que se hace de ella en un corpus de entrenamiento.

En practica, supongamos que queremos entrenar un modelo Word2vec de manera a enseñarle a representar las palabras de la lengua española. El proceso va a ser el siguiente: vamos a facilitarle un gran numero de textos en español, como por ejemplo el conjunto de artículos de Wikipedia La hipótesis según la cual el modelo va a aprender es que dos palabras utilizadas en un contexto similar tiene un sentido próximo. El objetivo final del modelo es producir un vector de representación de la palabra permitiendo traducir el sentido de esta palabra. Así, dos palabras con sentido próximo serán asociados a vectores cuyos valores serán próximos.

Para ilustrar este concepto, el modelo debe producir representaciones para las palabras de tal manera que : rey – hombre + mujer = reina.

A continuación, está realizada sobre los vectores de representación de cada una de estas palabras. <img src="https://firebasestorage.googleapis.com/v0/b/cortex---2020.appspot.com/o/articles%2Fcu4ipXRG39wQ8CjJ8hDH%2FUVeIwfTZJrjW?alt=media">


 


 





Figura 2 : Ilustración del principio de funcionamiento del modelo Word2vec. (Inspirado de:&nbsp;kawine.github.io/) 



Así, el modelo Word2vec va a permitirnos producir, para cada palabra, una representación que fue aprendida al estudiar el contexto en el cual la palabra fue empleada. Cada palabra está entonces asociada a un único vector, este vector que se supone que traduce el conjunto de los sentidos que la palabra puede tomar. En la práctica, no es exactamente el caso. En efecto, esta representación estática está obligatoriamente sesgada por la frecuencia de aparición de cada sentido de la palabra. Por ejemplo, consejo se emplea mucho más a menudo con el sentido del sustantivo consejo, de aconsejar, que como un consejo, cuerpo administrativo o consultivo de gobierno. Así, el modelo, que fue confrontado más a menudo a un sentido que al otro, tendrá tendencia a producir un vector traduciendo más bien el primer sentido. Esta limitación puede ser extralimitada para la representación dinámica de palabras o de documentos.
 



Las representaciones dinámicas de palabras, que representan el estado de la técnica actual, revolucionan numerosas secciones del tratamiento del lenguaje, como la comprensión de las solicitudes por los motores de búsqueda, la traducción, que ahora se efectúa a la escala de la frase, o también la corrección ortográfica. Esos avances permiten a los ordenadores aprehender una parte de la riqueza que representa el lenguaje humano, a veces incluso al superar su rendimiento en algunas tareas. Si la creatividad aún no es una de sus capacidades, es cierto que la revolución está en proceso en numerosos aspectos de la comunicación. 


	
	



Fuentes&nbsp;:1. JONES, Karen Sparck. A statistical interpretation of term specificity and its application in retrieval. Journal of documentation, 1972.


	
	
	
	


2. DEVLIN, Jacob, CHANG, Ming-Wei, LEE, Kenton, et al. Bert: Pre-training of deep bidirectional transformers for language understanding. arXiv preprint arXiv:1810.04805, 2018.




	
	
	
	


3. MIKOLOV, Tomas, SUTSKEVER, Ilya, CHEN, Kai, et al. Distributed representations of words and phrases and their compositionality. Advances in neural information processing systems, 2013.4. https://kawine.github.io/blog/nlp/2019/06/21/word-analogies.html

Artículos de la categoría : "Computación"

Ordenadores y aleatoria : ¿existe el azar?

La inteligencia artificial, ¿cómo funciona?

Inteligencia artificial y discriminación: une pregunta esencial

Cuando los humanos hablan con los ordenadores